Sfida: Creazione di un Percettrone
Poiché l'obiettivo è implementare un percettrone multistrato, la definizione di una classe Perceptron aiuta a organizzare e inizializzare il modello in modo efficiente. La classe conterrà un solo attributo, layers, che è una lista di oggetti Layer che rappresentano la struttura della rete:
class Perceptron:
def __init__(self, layers):
self.layers = layers
Le variabili utilizzate per inizializzare i layer sono:
input_size: il numero di caratteristiche di input;hidden_size: il numero di neuroni in ciascun layer nascosto (entrambi i layer nascosti avranno lo stesso numero di neuroni in questo caso);output_size: il numero di neuroni nel layer di output.
La struttura del percettrone multistrato risultante includerà:
- Layer di input → riceve i dati;
- Due layer nascosti → elaborano gli input ed estraggono pattern;
- Layer di output → produce la previsione finale.
Swipe to start coding
L'obiettivo è impostare la struttura di base di un perceptrone multistrato (MLP) implementando il codice per i suoi strati.
Seguire attentamente questi passaggi:
- Inizializzare i parametri dello strato all'interno del metodo
__init__():
- Creare la matrice dei pesi con forma
(n_neurons, n_inputs); - Creare il vettore dei bias con forma
(n_neurons, 1);- Riempire entrambi con valori casuali da una distribuzione uniforme nell'intervallo [−1,1) utilizzando
np.random.uniform().
- Riempire entrambi con valori casuali da una distribuzione uniforme nell'intervallo [−1,1) utilizzando
- Implementare la propagazione in avanti all'interno del metodo
forward():
- Calcolare l'output grezzo di ciascun neurone usando il prodotto scalare:
np.dot(self.weights, self.inputs) + self.biases
- Applicare la funzione di attivazione assegnata a questo risultato e restituire l'output attivato.
- Definire gli strati del perceptrone:
- Creare due strati nascosti, ciascuno contenente
hidden_sizeneuroni e utilizzando la funzione di attivazione ReLU; - Creare uno strato di output con
output_sizeneurone/i e la funzione di attivazione sigmoid.
Soluzione
Grazie per i tuoi commenti!
single
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Awesome!
Completion rate improved to 4Sfida: Creazione di un Percettrone
Scorri per mostrare il menu
Poiché l'obiettivo è implementare un percettrone multistrato, la definizione di una classe Perceptron aiuta a organizzare e inizializzare il modello in modo efficiente. La classe conterrà un solo attributo, layers, che è una lista di oggetti Layer che rappresentano la struttura della rete:
class Perceptron:
def __init__(self, layers):
self.layers = layers
Le variabili utilizzate per inizializzare i layer sono:
input_size: il numero di caratteristiche di input;hidden_size: il numero di neuroni in ciascun layer nascosto (entrambi i layer nascosti avranno lo stesso numero di neuroni in questo caso);output_size: il numero di neuroni nel layer di output.
La struttura del percettrone multistrato risultante includerà:
- Layer di input → riceve i dati;
- Due layer nascosti → elaborano gli input ed estraggono pattern;
- Layer di output → produce la previsione finale.
Swipe to start coding
L'obiettivo è impostare la struttura di base di un perceptrone multistrato (MLP) implementando il codice per i suoi strati.
Seguire attentamente questi passaggi:
- Inizializzare i parametri dello strato all'interno del metodo
__init__():
- Creare la matrice dei pesi con forma
(n_neurons, n_inputs); - Creare il vettore dei bias con forma
(n_neurons, 1);- Riempire entrambi con valori casuali da una distribuzione uniforme nell'intervallo [−1,1) utilizzando
np.random.uniform().
- Riempire entrambi con valori casuali da una distribuzione uniforme nell'intervallo [−1,1) utilizzando
- Implementare la propagazione in avanti all'interno del metodo
forward():
- Calcolare l'output grezzo di ciascun neurone usando il prodotto scalare:
np.dot(self.weights, self.inputs) + self.biases
- Applicare la funzione di attivazione assegnata a questo risultato e restituire l'output attivato.
- Definire gli strati del perceptrone:
- Creare due strati nascosti, ciascuno contenente
hidden_sizeneuroni e utilizzando la funzione di attivazione ReLU; - Creare uno strato di output con
output_sizeneurone/i e la funzione di attivazione sigmoid.
Soluzione
Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguentiGrazie per i tuoi commenti!
single
